A Dataset of Weather Station-Scale Photosynthetic Phenology in Midto High Latitude Regions of the Northern Hemisphere

该数据集基于机器学习估算的每日GPP通量数据，涵盖了2001年至2019年北半球中高纬度地区的光合作用物候指标（SOS,POS,EOS）。数据集包含了近6万个站点年，超过1000个站点拥有完整的19年记录。数据集揭示了明显的空间变异性，植被类型和干旱区的趋势各不相同。与通量网络和基于卫星的产品相比，该数据集极大地提高了物候研究的数据可用性，为评估局部水文热条件和极端气候事件的影响提供了坚实的基础。

This dataset is based on machine learning-estimated daily GPP flux data, covering photosynthetic phenology metrics (SOS, POS, EOS) in the mid- and high-latitude regions of the Northern Hemisphere from 2001 to 2019. The dataset contains nearly 60,000 site-years, with over 1,000 sites having complete 19-year records. The dataset reveals significant spatial variability, with trends varying across vegetation types and arid regions. Compared with flux networks and satellite-based products, this dataset greatly improves data availability for phenology research, providing a solid foundation for assessing the impacts of local hydrothermal conditions and extreme climate events.

搜集汇总

数据集介绍

构建方式

在植被光合物候研究领域，该数据集通过整合FLUXNET2015通量观测、全球气象站日值数据及遥感参数，采用长短期记忆网络模型重构了北半球中高纬度地区2001-2019年的日尺度总初级生产力序列。基于地理相似性原理筛选预测R²高于0.5的气象站点，运用Savitzky-Golay滤波器对GPP序列进行平滑处理，采用固定阈值法提取生长季开始期、峰值期与结束期等关键物候指标，最终形成包含57,829个站点年记录的标准化数据集。

使用方法

该数据集为探究气候变化背景下植被物候响应规律提供了新型分析框架。研究者可结合站点气象观测数据，解析 preseason 水热条件与极端气候事件对物候时序的作用路径。通过关联不同植被功能型的物候参数差异，能够评估生态系统碳汇潜力与生态脆弱性。在应用层面，该数据集可支撑碳循环模型参数优化、农业物候预报系统构建及跨尺度物候驱动机制验证等研究方向。

背景与挑战

背景概述

在气候变化背景下，北半球中高纬度地区植被光合物候变化对生态系统碳循环具有深远影响。该数据集由中国科学院新疆生态与地理研究所石海阳团队于2024年创建，通过整合气象站点观测数据与机器学习模型，构建了2001-2019年间包含近6万个站点年的光合物候指标数据集。研究聚焦生长季开始期、峰值期与结束期的时空动态，为解析局地水热条件对物候的驱动机制提供了高精度数据支撑，显著拓展了传统通量塔与卫星遥感数据的时空覆盖范围。

当前挑战

在植被光合物候研究领域，传统卫星遥感数据存在植被绿度与光合作用解耦、积雪干扰及空间分辨率不足等局限。本数据集构建过程中面临双重挑战：其一是气象站点数据异质性导致物候提取精度波动，需通过地理相似性原理筛选可验证站点；其二是机器学习模型在极端气候事件表征方面存在不确定性，特别是水汽压亏缺与降水时序等关键因子对物候事件的精细化驱动机制仍需深化验证。

常用场景

经典使用场景

该数据集在植被物候研究中扮演关键角色，通过整合气象站点尺度的光合作用物候指标（SOS、POS、EOS），为北半球中高纬度地区的生态系统动态分析提供了高精度数据基础。经典应用场景包括量化气候变化对植物生长季长度的影响，例如分析春季升温如何导致SOS提前或秋季延迟如何延长EOS，从而揭示碳吸收能力的季节性变化规律。数据集覆盖近6万个站点年记录，支持跨植被类型和干旱梯度的大规模比较研究，显著提升了物候驱动机制分析的时空分辨率。

解决学术问题

该数据集有效解决了传统遥感数据与实地观测之间的尺度不匹配问题，通过机器学习融合气象站点观测与FLUXNET数据，实现了光合物候指标的高精度提取。其科学意义在于突破了卫星植被指数对常绿林等植被类型表征的局限性，并克服了再分析数据在水文变量（如VPD、降水时序）上的不确定性。这一进展使得学术界能够更准确地评估局部热湿条件对物候的调控作用，例如揭示极端气候事件（春霜、夏旱）如何通过改变POS时序影响生态系统碳循环。

实际应用

在实际应用层面，该数据集为农业管理和生态系统保护提供了决策支持。通过精准识别不同植被类型的物候时序变化，可优化农作物种植日程与灌溉策略，例如依据SOS提前趋势调整播种窗口以规避春霜风险。在林业领域，数据集有助于评估森林碳汇潜力随生长季延长的动态变化，为区域碳收支核算提供依据。此外，保险行业可利用EOS延迟规律设计气候风险产品，帮助农户应对生长季末期极端天气带来的经济损失。

数据集最近研究

最新研究方向

随着全球气候变化对北半球中高纬度生态系统影响的日益凸显，植被光合物候研究正转向结合气象站点观测与机器学习技术的前沿方向。该数据集通过整合近6万个站点年的光合作用关键指标，突破了传统卫星遥感和通量塔数据的时空限制，为揭示不同植被类型与干旱梯度下物候变化的驱动机制提供了新视角。当前研究热点聚焦于极端气候事件对生长季长度的影响机制，特别是春季霜冻与夏季干旱对光合峰值期的复合效应。这一突破性数据集不仅推动了物候模型与碳循环预测的融合，更为农业适应性管理和生态系统韧性评估提供了科学基石，标志着陆表过程研究从宏观监测向站点尺度机理探索的重要转变。

相关研究论文

• 通过

  中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室 · 2025年